# NVIDIA lancia Nemotron 3.5, modello vocale con dati di addestramento

> Il modello open-weight trascrive 40 lingue e può tradurre, identificare i parlanti e rispondere a domande sull’audio. Gli sviluppatori possono scaricarlo da Hugging Face e ModelScope.

Oossa · 2026-10-28 · https://oossa.com/it/nvidia-releases-nemotron-3-5-speech-model-and-training-data

NVIDIA ha lanciato Nemotron 3.5 Transcribe, un modello open-weight che combina trascrizione vocale, traduzione, identificazione dei parlanti e risposte a domande sull’audio in un unico sistema. Gli sviluppatori possono scaricarlo da Hugging Face e ModelScope e usare prompt in linguaggio naturale per richiedere risultati diversi a partire dalla stessa registrazione, per esempio una trascrizione con i parlanti identificati o una traduzione in inglese.

Nel post su Hugging Face si legge che il modello trascrive 40 lingue, traduce da e verso l’inglese in 31 lingue e identifica i parlanti in 13 lingue, fino a un massimo di otto persone. Supporta anche la marcatura temporale a livello di parola. La funzione di risposta a domande sull’audio è stata addestrata in inglese e, secondo il post, può gestire registrazioni fino a un’ora; SiliconANGLE afferma invece che il modello è in grado di elaborare 100 ore di audio e rispondere a domande al riguardo. Le due fonti non chiariscono se si riferiscano a limiti di input o capacità differenti.

## Cosa mostrano i risultati dei benchmark?

Nemotron 3.5 è un modello mixture-of-experts da 30 miliardi di parametri, di cui circa 4 miliardi attivi alla volta. Nel post di NVIDIA su Hugging Face si legge che è al primo posto tra i modelli open-weight nella sezione inglese dell’Hugging Face Open ASR Leaderboard, con un tasso medio di errore delle parole (WER) del 5,33%; un WER più basso indica meno errori di trascrizione. Il post riporta anche un WER medio del 4,62% in sette lingue e del 10,98% nella sezione dedicata ai contenuti lunghi: i risultati più bassi tra i modelli open-weight inclusi nel confronto.

Il post riporta i risultati anche di altre valutazioni: un AA-WER del 2,8% nella classifica speech-to-text di Artificial Analysis, a pari merito al primo posto tra i modelli open-weight, e il più basso tasso di errore di diarizzazione nel benchmark di David AI in 21 lingue. NVIDIA afferma che, con un fine-tuning per il linguaggio medico, il WER sul benchmark indiano di parlato medico Eka Care è sceso all’11,8%. Questi dati si riferiscono a test specifici e non garantiscono la stessa accuratezza per ogni registrazione.

## Come possono adattarlo gli sviluppatori?

Insieme agli strumenti di fine-tuning, NVIDIA ha pubblicato anche Granary v2, un dataset multilingue di parlato aperto e una pipeline per la selezione e la cura dei dati. Comprende 843.579 ore di audio in 48 lingue, raccolte da 19 fonti, rispetto alle circa 643.000 ore in 25 lingue della versione precedente. Gli sviluppatori possono usare dati e strumenti per adattare il modello a terminologia specialistica, accenti o formati di trascrizione specifici. In un caso di studio medico, secondo il post su Hugging Face, il fine-tuning ha ridotto del 45,8% il WER sui parlanti esclusi dall’addestramento, rispetto al miglior risultato ottenuto con i prompt.

Il modello funziona su una singola GPU NVIDIA, dai sistemi Jetson AGX Thor e desktop DGX Spark all’hardware per data center. NVIDIA afferma che una GPU Blackwell Server Edition ha elaborato 100 ore di audio in meno di tre minuti usando impostazioni del modello compresse; il post su Hugging Face specifica che il test è stato condotto su clip di 30 secondi con un elevato numero di richieste simultanee. Secondo il post, il modello è progettato per l’audio registrato, non per lo streaming in diretta, e si consiglia di verificare nomi, cambi di parlante e risposte confrontandoli con la registrazione.

## I fatti

- Nemotron 3.5 Transcribe ha 30 miliardi di parametri, di cui circa 4 miliardi attivi alla volta.
- Il modello trascrive 40 lingue e traduce da e verso l’inglese in 31 lingue.
- Granary v2 contiene 843.579 ore di dati audio in 48 lingue, raccolte da 19 fonti.
- NVIDIA afferma che una GPU Blackwell Server Edition ha elaborato 100 ore di audio in meno di tre minuti.

## Perché conta

Gli sviluppatori che realizzano strumenti per riunioni, lezioni o dettatura medica possono provare un unico modello per trascrizioni, identificazione dei parlanti e traduzioni, per poi adattarlo con il fine-tuning alla terminologia specialistica. I risultati dei benchmark pubblicati non indicano quanto sarà accurato su una registrazione specifica: è quindi comunque necessario verificare nomi e risposte importanti.

## Fonti e riferimenti

1. [Nvidia releases all-in-one adaptable Nemotron 3.5 audio transcription and translation model](https://siliconangle.com/2026/10/28/nvidia-releases-all-in-one-adaptable-nemotron-3-5-audio-transcription-and-translation-model/) – SiliconANGLE, 2026-10-28
2. [NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt](https://huggingface.co/blog/nvidia/nemotron-transcribe-granary) – Hugging Face, 2026-10-28
3. [Voice AI in vogue: Nvidia releases new open transcription model](https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model/) – TechCrunch, 2026-10-28
4. [Nvidia's open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition](https://the-decoder.com/nvidias-open-nemotron-3-5-transcribe-combines-transcription-translation-and-speaker-recognition/) – The Decoder, 2026-10-28

Ultimo aggiornamento: 2026-10-28